Какие функции потерь и метрики лучше использовать при прогнозировании спроса на скоропортящийся товар?

При прогнозировании спроса на скоропортящийся товар важно учитывать не только точность прогноза, но и последствия ошибок, так как переизбыток товара ведёт к потерям из-за порчи, а недостача — к упущенной прибыли.

Функции потерь:

• Среднеквадратичная ошибка (MSE) — классическая функция для регрессии, хорошо штрафует большие ошибки.
• Средняя абсолютная ошибка (MAE) — менее чувствительна к выбросам, отражает среднюю ошибку.
• Взвешенные функции потерь — можно задать разные веса для ошибок в сторону переоценки и недооценки спроса, чтобы минимизировать более критичные ошибки (например, переоценка может быть дороже из-за порчи).

Метрики:

• MAPE (Mean Absolute Percentage Error) — показывает относительную ошибку, удобна для оценки качества прогноза в процентах.
• SMAPE (Symmetric MAPE) — улучшенная версия MAPE, учитывающая симметрию ошибок.
• RMSLE (Root Mean Squared Logarithmic Error) — полезна, если важны относительные ошибки и данные имеют большой разброс.

Для скоропортящихся товаров часто применяют кастомные функции потерь, учитывающие бизнес-логику, например, штрафы за излишки выше, чем за недостачу, или наоборот, в зависимости от ситуации.